搜索中文正文和常见中英文技术词,按教程、项目、面试题筛选。
「Embedding 优化」找到 339 条内容
按专题浏览 →匹配口述回答:…faithfulness 和答案正确率。这样才能判断问题到底是“没找回来”“排得太后”,还是“找回来了但模型没用好”。 如果要落到优化动作上,MRR 低通常说明排序链路有问题,可能是 [[embedding]] 不适合、query 改写不准,或者 reranker 没把真正有用的文档顶上来。这个时候我会先看 TopK 列表,而不是直接改 prompt。 MRR定义:所有查询倒数排名的平均值 RAG首位相关性决定生成质量 需配合Recall@K使用 实际阈值与注意点 约4分钟 …
匹配口述回答:…用RAG就能保证回答永远是最新版本,而且用户问为什么这么赔,你可以直接翻到原文。但RAG也有坑,检索质量决定了效果上限,如果 [[Embedding]] 做不好、[[Chunk]] 切得不合理,模型拿到一堆噪音,生成的结果反而更差。所以我的经验是,如果知识更新频繁或者需要可解释性,优先RAG;如果知识稳定、对延迟和深度定制要求高,优先微调。但更常见的是两者结合,比如用微调后的模型做底座,再在关键环节接入RAG,既保留了领域能力,又解决了实时性问题。 最后是Agent系统。这个…
匹配口述回答:…【知识库方案】,我负责【本人职责】。文档从解析、分块、元数据和权限进入版本化索引,删除、更新和租户隔离也要能追踪,不能只说“把文档向量化”。 查询侧使用【召回方案】,再通过【融合与重排】处理候选。我会说明为什么选这个组合,Top-K、RRF 常数或权重、重排候选数都来自固定评测集上的参数扫描。正确证据没进候选时先修召回;候选有答案但排名低才看重排。上下文去重、冲突和预算处理后,由【生成约束】控制引用、拒答与输出校验。 效果只报告【真实指标】,并带上数据集、硬件、并发和统计窗口…
学习内容与项目面试,在同一条路上。